原創：
只要用快取，就可能會涉及到快取與資料庫雙儲存雙寫，你只要是雙寫，就一定會有資料一致性的問題
那麼，如何解決一致性問題？
一般來說，如果允許快取可以稍微的跟資料庫偶爾有不一致的情況，也就是說如果你的系統不是嚴格要求快取 + 資料庫必須保持一致性的話，最好不要做這個方案。即：讀請求和寫請求序列化，串到乙個記憶體佇列裡去。
序列化可以保證一定不會出現不一致的情況，但是它也會導致系統的吞吐量大幅度降低，用比正常情況下多幾倍的機器去支撐線上請求。
cache aside pattern
最經典的快取+資料庫讀寫的模式，就是 cache aside pattern。
讀的時候，先讀快取，快取沒有的話，就讀資料庫，然後取出資料後放入快取，同時返回響應。更新的時候，先更新資料庫，然後再刪除快取。
為什麼是刪除快取，而不是更新快取？
原因很簡單，很多時候，在複雜點的快取場景，快取不單單是資料庫中直接取出來的值。
比如可能更新了某個表的乙個字段，然後其對應的快取，是需要查詢另外兩個表的資料並進行運算，才能計算出快取最新的值的。
另外更新快取的代價有時候是很高的。是不是每次修改資料庫的時候，都一定要將其對應的快取更新乙份？
也許有的場景是這樣，但是對於比較複雜的快取資料計算的場景，就不是這樣了。
如果你頻繁修改乙個快取涉及的多個表，快取也頻繁更新。但是問題在於，這個快取到底會不會被頻繁訪問到？
舉個栗子，乙個快取涉及的表的字段，在 1 分鐘內就修改了 20 次，或者是 100 次，那麼快取更新 20 次、100 次；但是這個快取在 1 分鐘內只被讀取了 1 次，有大量的冷資料。
實際上，如果你只是刪除快取的話，那麼在 1 分鐘內，這個快取不過就重新計算一次而已，開銷大幅度降低，用到快取才去算快取。
其實刪除快取，而不是更新快取，就是乙個lazy 計算的思想，不要每次都重新做複雜的計算，不管它會不會用到，而是讓它到需要被使用的時候再重新計算。
像 mybatis，hibernate，都有懶載入思想。查詢乙個部門，部門帶了乙個員工的 list，沒有必要說每次查詢部門，都裡面的 1000 個員工的資料也同時查出來。
80% 的情況，查這個部門，就只是要訪問這個部門的資訊就可以了。先查部門，同時要訪問裡面的員工，那麼這個時候只有在你要訪問裡面的員工的時候，才會去資料庫裡面查詢 1000 個員工。
最初級的快取不一致問題及解決方案
問題：先修改資料庫，再刪除快取。如果刪除快取失敗了，那麼會導致資料庫中是新資料，快取中是舊資料，資料就出現了不一致。
解決思路：先刪除快取，再修改資料庫。如果資料庫修改失敗了，那麼資料庫中是舊資料，快取中是空的，那麼資料不會不一致。
因為讀的時候快取沒有，則讀資料庫中舊資料，然後更新到快取中。
比較複雜的資料不一致問題分析
資料發生了變更，先刪除了快取，然後要去修改資料庫，還沒來得及修改，乙個請求過來，去讀快取，發現快取空了，去查詢資料庫，查到了修改前的舊資料，放到了快取中。隨後資料變更的程式完成了資料庫的修改。
完了，資料庫和快取中的資料不一樣了。。。
為什麼上億流量高併發場景下，快取會出現這個問題？
只有在對乙個資料在併發的進行讀寫的時候，才可能會出現這種問題。其實如果說你的併發量很低的話，特別是讀併發很低，每天訪問量就 1 萬次，那麼很少的情況下，會出現剛才描述的那種不一致的場景。
但是問題是，如果每天的是上億的流量，每秒併發讀是幾萬，每秒只要有資料更新的請求，就可能會出現上述的資料庫+快取不一致的情況。
解決方案如下：
更新資料的時候，根據資料的唯一標識，將操作路由之後，傳送到乙個 jvm 內部佇列中。
讀取資料的時候，如果發現資料不在快取中，那麼將重新讀取資料+更新快取的操作，根據唯一標識路由之後，也傳送同乙個 jvm 內部佇列中。
乙個佇列對應乙個工作執行緒，每個工作執行緒序列拿到對應的操作，然後一條一條的執行。
這樣的話，乙個資料變更的操作，先刪除快取，然後再去更新資料庫，但是還沒完成更新。
此時如果乙個讀請求過來，讀到了空的快取，那麼可以先將快取更新的請求傳送到佇列中，此時會在佇列中積壓，然後同步等待快取更新完成。
這裡有乙個優化點，乙個佇列中，其實多個更新快取請求串在一起是沒意義的，因此可以做過濾
如果發現佇列中已經有乙個更新快取的請求了，那麼就不用再放個更新請求操作進去了，直接等待前面的更新操作請求完成即可。
如果請求還在等待時間範圍內，不斷輪詢發現可以取到值了，那麼就直接返回；如果請求等待的時間超過一定時長，那麼這一次直接從資料庫中讀取當前的舊值。
高併發的場景下，該解決方案要注意的問題：
1、讀請求長時阻塞
由於讀請求進行了非常輕度的非同步化，所以一定要注意讀超時的問題，每個讀請求必須在超時時間範圍內返回。
該解決方案，最大的風險點在於，可能資料更新很頻繁，導致佇列中積壓了大量更新操作在裡面，然後讀請求會發生大量的超時，最後導致大量的請求直接走資料庫。務必通過一些模擬真實的測試，看看更新資料的頻率是怎樣的。
另外一點，因為乙個佇列中，可能會積壓針對多個資料項的更新操作，因此需要根據自己的業務情況進行測試，可能需要部署多個服務，每個服務分攤一些資料的更新操作。
如果乙個記憶體佇列裡積壓 100 個商品的庫存修改操作，每個庫存修改操作要耗費 10ms 去完成，那麼最後乙個商品的讀請求，可能等待 10 * 100 = 1000ms = 1s 後，才能得到資料，這個時候就導致讀請求的長時阻塞。
因此，一定要根據實際業務系統的運**況，去進行一些壓力測試和模擬線上環境，去看看最繁忙的時候，記憶體佇列可能會積壓多少更新操作，可能會導致最後乙個更新操作對應的讀請求，會 hang 多少時間。
如果讀請求在 200ms 返回，如果你計算過後，哪怕是最繁忙的時候，積壓 10 個更新操作，最多等待 200ms，那還可以的。
如果乙個記憶體佇列中可能積壓的更新操作特別多，那麼你就要加機器，讓每個機器上部署的服務例項處理更少的資料，那麼每個記憶體佇列中積壓的更新操作就會越少。
其實根據之前的專案經驗，一般來說，資料的寫頻率是很低的，因此實際上正常來說，在佇列中積壓的更新操作應該是很少的。
像這種針對讀高併發、讀快取架構的專案，一般來說寫請求是非常少的，每秒的 qps 能到幾百就不錯了。
實際粗略測算一下，如果一秒有 500 的寫操作，分成 5 個時間片，每 200ms 就 100 個寫操作，放到 20 個記憶體佇列中，每個記憶體佇列，可能就積壓 5 個寫操作。
每個寫操作效能測試後，一般是在 20ms 左右就完成，那麼針對每個記憶體佇列的資料的讀請求，也就最多 hang 一會兒，200ms 以內肯定能返回了。
經過剛才簡單的測算，我們知道，單機支撐的寫 qps 在幾百是沒問題的，如果寫 qps 擴大了 10 倍，那麼就擴容機器，擴容 10 倍的機器，每個機器 20 個佇列。
2、讀請求併發量過高
這裡還必須做好壓力測試，確保恰巧碰上上述情況的時候，還有乙個風險，就是突然間大量讀請求會在幾十毫秒的延時 hang 在服務上，看服務能不能扛的住，需要多少機器才能扛住最大的極限情況的峰值。
但是因為並不是所有的資料都在同一時間更新，快取也不會同一時間失效，所以每次可能也就是少數資料的快取失效了，然後那些資料對應的讀請求過來，併發量應該也不會特別大。
3、多服務例項部署的請求路由
可能這個服務部署了多個例項，那麼必須保證說，執行資料更新操作，以及執行快取更新操作的請求，都通過 nginx 伺服器路由到相同的服務例項上。
比如說，對同乙個商品的讀寫請求，全部路由到同一臺機器上。可以自己去做服務間的按照某個請求引數的 hash 路由，也可以用 nginx 的 hash 路由功能等等。
4、熱點商品的路由問題，導致請求的傾斜
萬一某個商品的讀寫請求特別高，全部打到相同的機器的相同的佇列裡面去了，可能會造成某台機器的壓力過大。
因為只有在商品資料更新的時候才會清空快取，然後才會導致讀寫併發，所以要根據業務系統去看，如果更新頻率不是太高的話，這個問題的影響並不是特別大，但是可能某些機器的負載會高一些。
Redis 如何保證快取與資料庫雙寫時的資料一致性
寫請求來了，要更新資料庫和快取，一前一後更新，就可能導致快取和db中的資料在一段時間內不一致。你只要用快取，就可能會涉及到快取與資料庫雙儲存雙寫，你只要是雙寫，就一定會有資料一致性的問題，那麼你如何解決一致性問題？一般來說，就是如果你的系統不是嚴格要求快取 資料庫必須一致性的話，快取可以稍微的跟資料...
redis如何保證快取與資料庫的一致性
redis怎麼保證快取與資料庫的一致性 為啥會不一致 先操作快取，在寫資料庫成功之前，如果有讀請求發生，可能導致舊資料入快取，引發資料不一致。資料庫有資料，快取沒有資料 資料庫有資料，快取也有資料，資料不相等 資料庫沒有資料，快取有資料。首先嘗試從快取讀取，讀到資料則直接返回 如果讀不到，就讀資料庫...
redis快取如何同步資料庫
redis快取如何同步資料庫 redis mysql模式 讀 服務程式先從快取中讀取資料，如果命中，則將資料讀出。如果未命中，則在資料庫中讀取資料，然後將資料寫入到快取中去。更新資料 常見的模式是先到資料庫中寫入，然後刪除快取中的資料。產生的不一致 讀 只是讀資料一般不會有不一致出現。更新 1 資料...